发明内容
本发明的目的是提供一种用交通科学或交通工程的基础知识来处理手机信号数据,获取实时和预测的交通状态的基于手机信号数据检测交通状态的方法。
为了达到上述目的,本发明的技术方案是提供了一种基于手机信号数据检测交通状态的方法,步骤为:
步骤1、建立虚拟传感器网络;
步骤2、以固定时间间隔T从手机网络获取该时间间隔内所有手机发出的实时信号数据;
步骤3、根据第i部手机发出的实时信号数据中的基站标识号和位置区标识号通过虚拟传感器网络地理译码得到该手机所在的虚拟传感器路段及在该虚拟传感器路段上的旅行速度vi;
步骤4、从道路网络数据库中读取道路网络的电子地图信息,将步骤3得到的虚拟传感器路段叠加在道路网络上,得到第i部手机所在的道路网络路段,令该手机在道路网络路段上的旅行速度Vi=vi;
步骤5、重复步骤3及步骤4直至收集到时间间隔T内所有可能采样到的手机所在的道路网络路段,即得到每条道路网络路段上的可能采样到的手机个数n及每条道路网络路段的旅行速度V,
步骤6、根据每条道路网络路段上的手机个数n及旅行速度V计算得到时间间隔T内对应的道路网络路段的交通流密度K和路段交通流量Q。
步骤7、根据不同道路类别交通流参数的时变特征,建立相应的交通流参数预测模型。
本发明通过实时采集、分析移动通信网络中的通信数据,将普通用户使用的手机移动终端作为一种有效的交通检测器,利用本发明提出的方法,分析推算每个手机的运动轨迹和运动速度,得到实时和预测的道路交通状态信息。本发明无需在手机终端上安装任何特殊设备、无需安装任何软件,将每个个人用户使用的普通手机作为采集终端,突破了传统交通采集技术需要事先安装采集终端的初期投资建设瓶颈,可节约大量基础设施投资。
本发明可以为城市交通运输管理提供有效的检测和监控手段,适用于相关政府交通管理部门,为道路基础设施规划和运营维护、交通控制和管理、交通组织设计提供决策支持信息。同时本发明也可以为交通信息服务行业提供有效的实时交通信息,为实时动态导航、各种媒体的交通信息发布、车队调度管理、特种车辆调度管理提供交通信息源。
本发明的优点是:充分依托现有的移动通信网络资源,利用已有手机通信网络中的信息,即能在短时间完成城市内大范围的实时交通数据采集,同时初期投资相对较小、数据覆盖范围大、数据精度高。
具体实施方式
以下结合实施例来具体说明本发明。
实施例
本发明提供的一种基于手机信号数据检测交通状态的方法,步骤为:
步骤1、建立虚拟传感器网络;
步骤1.1、由实地测试得到虚拟传感器节点的位置及小区基站的序列,其中虚拟传感器节点定义为在无线网络与道路网络的交叉区域中因为手机网络信号变化而产生无线网络事件的点:
步骤1.1.1、由测试车实施无线网络路测作业,实地采集得到指定路段上的Um接口的越区切换信息和位置更新信息以及路段上发生这些信息时测试车的具 ***置,指定路段根据不同的实时交通信息的需要选取不同的范围,通常情况下,只要是允许车辆行驶的公共道路都可以;
路段的定义是交通方面的常识,对于有红绿灯控制的地面道路而言,路段的定义是从一个红绿灯控制的交叉口到另一个相邻的红绿灯控制的交叉口,此类路段的长度通常在200米到600米;对于没有红绿灯控制的高速路或快速路而言,路段的选取是从一特殊点到另外一特殊点,此类特殊点为上下匝道与高速路或快速路交点、道路拐弯点、车道数突变点等,此类路段的长度通常在400米到800米;
步骤1.1.2、对通过步骤1.1.1得到的路测信息沿着道路方向将多次测量所得同一越区切换信息或者位置更新信息所对应的位置数据进行求均值得到所有虚拟传感器节点的位置;
步骤1.1.3、由于虚拟传感器节点定义为在无线网络与道路网络的交叉区域中因为手机网络信号变化而产生无线网络事件的点,因此虚拟传感器节点信息包含小区切换或位置更新前后进出的小区信息,将所有虚拟传感器节点各自代表的前后进出小区罗列出来即得到小区基站的序列;
步骤1.2、根据步骤1.1得到的虚拟传感器节点的位置,按路测采集的小区基站的序列分别将相邻的先后两个虚拟传感器节点作为虚拟传感器路段的起点和终点,建立虚拟传感器路段与虚拟传感器节点的对应关系,同时得到虚拟传感器路段的旅行方向;
步骤1.3、得到各虚拟传感器路段的长度并将虚拟传感器路段与道路网络相互匹配,根据虚拟传感器路段和道路网络路段的空间重叠关系与旅行方向的一致性来确定其与道路网络的对应关系,其中,道路网络路段是自带方向信息的;
步骤1.4、所有的虚拟传感器节点及虚拟传感器路段构成了虚拟传感器网络;
步骤2、以固定时间间隔T从手机网络获取该时间间隔内所有手机发出的实时信号数据;
通常的时间间隔采用2分钟或5分钟作为时间间隔。假定***起始时间是上午8:00AM,如果时间间隔是2分钟的话,则,接下去的第一个计算周期为上午8:00:00到8:01:59,然后依次是8:02:00-8:03:59,……9:42:00-9:43:59,……;如果时间间隔是5分钟的话,则,接下去的第一个计算周期为上午8:00:00到8:04:59,然后依次是8:05:00-8:09:59,……9:45:00-9:49:59,……。依靠时间范围来约束采样的手机数量;
步骤3、根据步骤2得到的第i部手机发出的实时信号数据中的基站标识号和位置区标识号通过步骤1建立的虚拟传感器网络地理译码得到该手机所在的虚拟传感器路段及该手机在虚拟传感器路段上的旅行速度vi:
步骤3.1、根据第i部手机发出的实时信号数据中的基站标识号和位置区标识号得到相匹配的两个虚拟传感器节点及经过这两个虚拟传感器节点的时间戳,经过第一个虚拟传感器节点的时间戳为t1,经过第二个虚拟传感器节点的时间戳为t2;
步骤3.2、通过虚拟传感器路段与虚拟传感器节点的对应关系将步骤3.1中得到的第i部手机先后经过的虚拟传感器节点分别匹配至各个虚拟传感器路段,得到该手机所在的虚拟传感器路段,并由常规的几何公式计算得到虚拟传感器路段的长度d;
步骤3.3、第i部手机在虚拟传感器路段上的旅行速度vi=d/(t2-t1);
步骤4、从道路网络数据库中读取道路网络的电子地图信息,将步骤3得到的虚拟传感器路段叠加在道路网络上,得到第i部手机所在的道路网络路段,并且该手机在道路网络路段上的旅行速度Vi=vi;
由于在建立虚拟传感器网络时已经确立了虚拟传感器路段和道路网络路段的对应关系,因此根据上述确立的关系即可完成叠加;
步骤5、重复步骤3及步骤4直至收集到时间间隔T内所有可能采样到的手机所在的道路网络路段信息,即得到每条道路网络路段上的手机个数n及旅行速度V,
若在某条道路网络路段上没有收集到任何手机所发出的实时信号数据,则通过下列公式计算得到该条道路网络路段上的旅行速度V:
V=e×V(up)+f×V(down),e、f为根据历史数据训练得到的相关度因子,且 e+f=1,V(up)为与该路段相邻上游路段的旅行速度,V(down)为与该路段相邻下游路段的旅行速度,上下游是一个相对的概念,上下游关系是由道路的实际地理位置分布和旅行方向来决定的。每一个计算周期步骤五完成的是对所有道路网络路段旅行速度的计算,所以上下游的速度也即为已知。
步骤6、根据步骤5得到的每条道路网络路段上的手机个数n及旅行速度V计算得到时间间隔T内的交通流密度K和路段交通流量Q:
步骤6.1、交通流密度K=A×B×N×EXP(-B/N),其中,K为需要估计的路段交通流密度,N为通过步骤5得到的手机个数n,A和B为由历史数据训练所得的***模型参数;
步骤6.2、路段交通流量Q=K×V,其中,K为通过步骤6.1得到的交通流密度,V为通过步骤5得到的旅行速度;
步骤7、根据不同道路类别交通流参数的时变特征,建立相应的交通流参数预测模型:
步骤7.1、按照步骤2所述的时间间隔T将一天划分为24/T个时间段,建立路段旅行速度线性预测模型:
V(k+1)=a×V(k)+b×V(k-1)+c×V(k-2)+d×V(k-3),
其中,a、b、c、d为相关度因子,根据历史数据训练得到,且a+b+c+d=1,a>=b>=c>=d,k+1为待预测时间段编号,V(k+1)为待预测时间段k+1的旅行速度,V(k)为通过步骤5得到的待预测时间段k+1的前一个时间段的旅行速度,V(k-1)为通过步骤5得到的待预测时间段k+1的前二个时间段的旅行速度,V(k-2)为通过步骤5得到的待预测时间段k+1的前三个时间段的旅行速度,V(k-3)为通过步骤5得到的待预测时间段k+1的前四个时间段的旅行速度;
步骤7.2、建立路段交通流密度线性预测模型:
K(k+1)=a×K(k)+b×K(k-1)+c×K(k-2)+d×K(k-3),
其中,a、b、c、d为相关度因子,根据历史数据训练得到,且a+b+c+d=1,a>=b>=c>=d,k+1为待预测时间段编号;K(k+1)为待预测时间段k+1的交通流密度;K(k)为通过步骤6得到的待预测时间段k+1的前一个时间段的交通流密度;
K(k-1)为通过步骤6得到的待预测时间段k+1的前二个时间段的交通流密度;
K(k-2)为通过步骤6得到的待预测时间段k+1的前三个时间段的交通流密度;
K(k-3)为通过步骤6得到的待预测时间段k+1的前四个时间段的交通流密度。
步骤7.3、建立路段交通流流量预测模型:
Q(k+1)=V(k+1)×K(k+1)
其中,Q(k+1)为待预测时间段k+1的交通流流量,V(k+1)为步骤7.1所得的待预测时间段k+1的交通速度,V(k+1)为步骤7.2所得的待预测时间段k+1的交通速度。
例如在某一路段RL1(RL1的长度为800m)对应三个虚拟传感器路段VL1、VL2及VL3,其对应关系如下表所示:
路段编号 |
虚拟传感器路段编号 |
... |
... |
RL1 |
VL1 |
RL1 |
VL2 |
RL1 |
VL3 |
|
|
设在该路段上有四部手机,则将手机信号匹配到虚拟传感器节点后得到下表:
加密后手机编号 |
时间戳 |
虚拟传感器节点编号 |
7136A9E55F2F33154D44215C 093C15C4 |
2008-01-01 07:00:02 |
VN1 |
7136A9E55F2F33154D44215C093C15C4 |
2008-01-01 07:00:42 |
VN2 |
C5D51F1BDF05CD30AB99F8 CB3ABAAF05 |
2008-01-01 07:00:33 |
VN1 |
C5D51F1BDF05CD30AB99F8 CB3ABAAF05 |
2008-01-01 07:01:15 |
VN2 |
C5FA31493720BB84A4E9626 EAF783B34 |
2008-01-01 07:01:01 |
VN2 |
C5FA31493720BB84A4E9626 EAF783B34 |
2008-01-01 07:01:57 |
VN3 |
20EC2620DF8CE8C50815DA1 F36E28124 |
2008-01-01 07:00:20 |
VN1 |
20EC2620DF8CE8C50815DA1 F36E28124 |
2008-01-01 07:01:55 |
VN3 |
根据表1中的对应关系,可以计算得到各虚拟传感器路段对应的手机样本的 旅行时间及旅行速度,如表2所示;
表1:虚拟传感器路段与虚拟传感器节点对应表
虚拟传感器路段编号 |
起点虚拟传感器节点 编号 |
终点虚拟传感器节点 编号 |
虚拟传感器路段长度 (单位:米) |
VL1 |
VN1 |
VN2 |
400 |
VL2 |
VN2 |
VN3 |
500 |
VL3 |
VN1 |
VN3 |
900 |
表2:各手机样本旅行时间及旅行速度计算结果,并匹配到各虚拟传感器路段
虚拟传感器路段编 号 |
虚拟传感器路段长度(单位: 米) |
加密后手机编号 |
进入虚拟传感器路段时间戳 |
离开虚拟传感器路段时间戳 |
手机样本旅行时间(单位:秒) |
手机样本旅行速度(单位:千米/小时) |
... |
... |
... |
... |
... |
... |
... |
VL1 |
400 |
7136A9E55F2F3315 4D44215C093C15C4 |
2008-01-01 07:00:02 |
2008-01-01 07:00:42 |
40 |
36 |
VL1 |
400 |
C5D51F1BDF05CD3 0AB99F8CB3ABAA F05 |
2008-01-01 07:00:33 |
2008-01-01 07:01:15 |
42 |
34.29 |
VL2 |
500 |
C5FA31493720BB84 A4E9626EAF783B3 4 |
2008-01-01 07:01:01 |
2008-01-01 07:01:57 |
56 |
32.14 |
VL3 |
900 |
20EC2620DF8CE8C 50815DA1F36E2812 4 |
2008-01-01 07:00:20 |
2008-01-01 07:01:55 |
95 |
34.11 |
... |
... |
... |
... |
... |
... |
... |
由上表可知,这四个手机样本均为路段RL1的样本,则:
路段RL1的估计旅行速度为:(36+34.29+32.14+34.11)/4=34.13(公里/小时);
路段RL1的估计旅行时间为:3.6×800/34.13=84.4(秒);
计算得到路段旅行速度和有效手机样本数量之后,根据交通流模型,可进一步得到其它交通流参数。
如可建立路段交通流密度与有效样本数量的函数关系如下:K=A×B×N×EXP(-B/N),其中,K——需要估计的路段交通流密度,N——指手机样本数量,A,B——***模型参数,由历史数据训练所得,在本例中A=0.2,B=5,N=4,则,路段估计交通流密度为:K=0.2×5×4×EXP(-1/4)=12.5(辆车/每公里每车道)。
再根据交通流三参数流量、密度及速度之间的关系:Q=K×V,则,路段估计交通流量为:Q=12.5×34.20=426(辆车/每小时每车道),预测下一时间段的旅行速度为:0.4×34.2+0.3×36.4+0.2×37.1+0.1×39.9=36.01(公里/小时)。